Jan, 2018

Twitter 话题立场检测：基于注意力机制的双阶段 LSTM 模型

PDF
TL;DR使用长短期记忆（LSTM）深度神经网络和注意力机制，提出了 T-PAN 框架来解决主题态度检测问题，分为两个阶段处理，第一阶段判断主观性，第二阶段判断态度，实验结果显示该框架取得了更优秀的效果。
发现论文，激发创造
  • 双向条件编码的立场检测

    文章探讨基于目标的立场检测，使用条件 LSTM 编码建立 tweet 的表示并考虑了目标未提及且缺乏训练数据的情况，在 SemEval 数据集上超越了大部分方法且当加入弱监督时达到了最优效果。

    Jun, 2016

  • 利用零样本学习算法在推特上检测用户态度

    该研究提出了一种利用 Twitter 时间轴内容分析的非监督态度检测框架 (Tweets2Stance) 来预测社交媒体用户态度的方法，并通过对六个政党在 20 个不同议题上的一致性进行分析，依据党派帐号的言论预测政治主张。结果表明，T2S 能以最小 MAE 为 1.13 的准确度成功检测用户的态度。

    Apr, 2022

  • 推文立场检测：基于 SVM 的方法

    本研究探讨了面向体育相关推特的立场检测问题，并使用基于 SVM 的分类器在不同的特征集上进行了评估，结果表明将基于 unigram、hashtags 和 named entities 的特征组合使用于 SVM 分类器中是该问题的一个可行方法。

    Mar, 2018

  • MITRE 参加 SemEval-2016 任务 6：基于迁移学习的立场检测

    使用远程监督学习的 Word2Vec Skip-Gram 模型，以及递归神经网络，识别推文作者态度的高效系统。

    Jun, 2016

  • 推文中的立场和情感

    本文介绍了一种基于社交媒体的立场检测的方法，该方法使用了情感分析来帮助检测人们的立场，同时构建了一个用于训练和测试机器学习模型的数据集，并使用了远程监督技术和词嵌入来进一步提高立场检测的准确性。

    May, 2016

  • 使用字符和单词级 CNN 在推文中检测立场的 SemEval-2016 任务 6 上的 DeepStance

    本文通过利用深度学习中的短文本分类方法来检测推特立场，并采用数据增强技术扩展和多样化训练数据集，结合词级和字符级模型构建分类器最终实现了精度、召回率和 F1 值均在 0.6 以上的结果。

    Jun, 2016

  • 多模态立场检测：新数据集和模型

    通过整合文本和图像的多模态信息，文章提出了一种简单而有效的 TMPT 框架，利用目标信息从文本和视觉模态学习多模态姿态特征，并在三个基准数据集上取得了最先进的多模态姿态检测性能。

    Feb, 2024

  • Turing 在 SemEval-2017 Task 8 中：使用 Branch-LSTM 的序贯方法进行谣言立场分类

    本论文阐述了团队 Turing 参加 SemEval 2017 RumourEval：确定谣言真实性和支持谣言（SemEval 2017 任务 8，子任务 A）的挑战，并通过提出一种基于 LSTM 的顺序模型，对讨论谣言的一组 Twitter 帖子进行了支持、否认、询问或评论的分类，从而在子任务 A 中表现出色，实现了 0.784 的准确率，超过了所有其他系统。

    Apr, 2017

  • 社交媒体上的立场检测与优化的大型语言模型

    本研究评估了立场检测方法的演变，从早期的机器学习方法过渡到划时代的 BERT 模型，最终到现代的大语言模型（LLMs），如 ChatGPT、LLaMa-2 和 Mistral-7B。结果强调了 LLMs 在准确检测立场方面的卓越能力，LLaMa-2 和 Mistral-7B 表现出极高的效率和潜力，值得进一步研究。

    Apr, 2024

  • BB_twtr 在 SemEval-2017 任务 4 中：使用 CNN 和 LSTM 进行 Twitter 情感分析

    使用卷积神经网络与长短时记忆网络，我们成功实现了最先进的 Twitter 情感分类器，通过海量无标注数据来预训练词向量，然后使用少量无标注数据通过远程监督来微调嵌入向量，最终在 SemEval-2017 Twitter 数据集上对 CNN 和 LSTM 进行了再次微调，使用了集成学习方法，我们在所有五个英文子任务中均排名第一。

    Apr, 2017